Przewaga XGBoost i deep learning nad segmentacją RFM

Abstrakt

Współczesny handel elektroniczny, funkcjonujący w warunkach ekstremalnego nasycenia rynku oraz rosnących wykładniczo kosztów akwizycji ruchu (CAC), staje przed fundamentalnym problemem biznesowym, określanym w literaturze przedmiotu mianem „dziurawego wiadra”. Zjawisko to polega na systematycznej utracie klientów, której tempo często przewyższa zdolność organizacji do pozyskiwania nowych konsumentów, co bezpośrednio eroduje marżę operacyjną i obniża wartość życiową klienta (CLV). Tradycyjne metody analityczne, które dominują w strategiach większości podmiotów handlowych, koncentrują się niemal wyłącznie na analityce opisowej, czyli analizie zdarzeń z przeszłości. Podejście to w dynamicznym środowisku cyfrowym okazuje się niewystarczające do utrzymania długoterminowej rentowności. Segmentacja oparta na klasycznym modelu RFM (Recency, Frequency, Monetary), choć przez dekady stanowiła niepodważalny standard branżowy, w istocie jest narzędziem reaktywnym. Identyfikuje ona klienta wartościowego lub odchodzącego dopiero w momencie, gdy krytyczne zdarzenie – takie jak zaprzestanie zakupów – już nastąpiło i zostało odnotowane w bazie danych.